Data minimal analisis time series merupakan penjelasan dari berapa data history yang disarankan untuk melakukan peramalan dengan melakukan analisis time series. Analisis time series yang dimaksudkan bisa menggunakan analisis trend, ARIMA, Arch and Garch, Smoothing, Winter, dan lain sebagainya.

Jika anda melakukan analisis peramalan bisnis dengan menggunakan time series, tentunya anda berharap forecasting yang dihasilkan adalah data yang tepat memprediksikan data yang akan datang, meskipun tidak tepat seratus persen, setidaknya error yang terjadi bisa diminimalkan. Maka perlu mempertimbangkan berapa data yang disiapkan untuk melakukan forecasting tersebut. Karena kualitas dan kuantitas data yang dianalisis akan mempengaruhi nilai ketepatan peramalan bisnis. Untuk lebih jelasnya perhatikan grafik dibawah ini:                                                                   

contoh data time series dengan waktu yang berbeda

Pada gambar diatas adalah data saham SIDO selama 5 hari. Bila dibandingkan dengan pekan lalu, saham SIDO saat ini bergerak naik. Itulah kesimpulan kita jika kita melihat data 5 hari terakhir. Namun hal itu sedikit berbeda jika kita melihat data selama 6 bulan kebelakang (pada grafik yang di bawah). Grafik ini terlihat bahwa sebenarnya saham SIDO sedang mengalami trend turun jika dibandingkan dengan bulan Maret 2021. Begitulah banyak nya kuantitas data histori akan semakin menambah informasi bagi analisis time series.

Lalu pertanyaannya, berapakah data minimum time series yang diperlukan? Sekilas saya browsing di jurnal maupun artikel ilmiah, ada yang mengatakan cukup 10 series, ada juga yang mengatakan 50 series. Dalam artikel ini saya berani katakan, bahkan jika anda memiliki satu data historis pun, sebenarnya anda sudah bisa melakukan analisis time series. Anda masih ingat dengan metode naïve? Metode time series yang menyatakan bahwa Yt = Yt+1. Artinya jika minggu lalu anda punya data bahwa pembeli martabak berjumlah 50 orang, maka asumsi minggu depan adalah pembeli berjumlah 50 orang. Namun tentunya error yang terjadi kemungkinan besar jika anda tidak memperhitungkan ternyata saat ini adalah musim liburan sehingga orang lebih banyak berjalan jalan di malam hari dan membeli makanan.

Unsur Data Time Series

Sebelum saya membahas tentang jumlah data minimal time series, ada baiknya kita mereview lagi tentang unsur data time series yang terdiri dari unsur trend, musiman, siklus, dan horizontal/stasioner.

Time series: Trend

Data time series yang mengandung unsur akan memiliki kecenderungan kenaikan atau penurunan setiap penambahan waktu. Meskipun data yang ditampilkan fluktuatif, namun secara kecenderungan ada penurunan. Contohnya grafik saham SIDO diatas pada rentang waktu Mei sampai dengan Juli 2021.

Unsur trend ini penting untuk analisis time series karena model time series (terutama jika anda menggunakan ARIMA) akan memperhitungkan trend sebagai kecenderungan arah grafik berdasarkan penambahan waktu.

Unsur trend akan terlihat jika anda melihat grafik pertumbuhan penjualan produk di tahap pengenalan hingga tahap mature. Pada tahap tahap ini anda akan menentukan kapan saatnya melakukan promosi dan kapan saatnya melakukan ekspansi penjualan produk.

Time Series: Musiman

Selain bergerak secara trend, adakalanya trend bergerak naik dan mencapai puncaknya hingga akhirnya turun kembali. Saat trend turun pun mencapai puncak terendah hingga akhirnya naik kembali. Antara puncak maksimal dan puncak terendah jika masih kurang dari satu tahun, dikatakan sebagai musiman.

Sebagai contoh saham akan naik jika akan dilakukan Rapat Umum Pemegang Saham, dan setiap saham memiliki jadwal RUPS yang berbeda beda. Contoh lain, harga bahan pokok akan naik menjelang ramadhan dan tahun baru, dan lain sebagainya. Data tersebut dikatakan sebagai data musiman.

Data musiman bisa saja bergabung dengan data trend. Misalnya harga bahan pokok menjelang lebaran ditahun 2021 secara agregat masih lebih tinggi dibandingkan tahun sebelumnya. Artinya ada kenaikan trend dari tahun 2020 ke 2021.

data musiman dan data trend

Contoh data trend dan musiman adalah seperti gambar saham SIDO yang dilihat pada 5 tahun terakhir seperti gambar diatas. Pada gambar tersebut terlihat bahwa secara trend terjadi kenaikan sejak tahun 2018 hingga tahun 2021. Namun, disetiap tahunnya terlihat ada palung yang menandakan di periode tersebut terjadi penurunan dan kenaikan harga yang tajam. Itulah data musiman.

Time Series: Siklus

Agar lebih mudah dipahami, saya katakan siklus sama dengan musiman hanya periodenya lebih panjang (lebih dari satu tahun). Periode bisa berkisar 5 tahunan, 10 tahunan, dan lain lain. Contoh data siklus adalah yang mudah dipahami adalah data krisis ekonomi yang melanda hampir setiap 10 tahunan (tahun 1998, tahun 2008, tahun 2018). Data ini termasuk dengan siklus, dimana trend sudah tidak menjadi patokan pergerakan grafik, karena trend dalam jangka panjang juga akan membentuk siklus. Secara nalar, pun masuk akal bahwa tidak selamanya inflasi akan terus terjadi. Sebagai penyeimbang akan ada deflasi atau pertumbuhan ekonomi yang kurang dari 5 persen yang dialami oleh negara kaya.

Time Series: Horizontal

Data time series ini sudah bersifat stasioner baik dari rata rata maupun varian. Data tersebut tidak membentuk musiman atau trend, atau siklus. Data hanya bergerak fluktuatif seperti detak jantung. Bisa anda lihat pada grafik saham di setiap jamnya.

Data Minimal Time Series

Berdasarkan unsur data time series diatas, maka data minimal time series bukan berjumlah angka. Melainkan terpenuhi atau tidaknya unsur data time series tersebut. Data yang baik tentunya data yang menggambarkan ada data trend, musiman, dan siklus. Minimal data memenuhi unsur trend dan musiman jika data yang dimiliki tidak bisa diambil dalam periode yang lama untuk siklus.

Berbicara tentang data musiman, tentu setiap jenis data tidak akan sama harinya. Jika anda menggunakan satuan hari misalnya, kemungkinan data 2 atau 3 bulan sudah bisa menggambarkan satu musim yang utuh. Namun jika anda menggunakan data mingguan atau bulanan kemungkinan besar belum terlihat satu musim yang utuh.

Khusus data yang bersifat horizontal, maka tidak perlu memenuhi unsur trend dan musiman. Karena data akan diolah berdasarkan stasioner data terhadap rata rata atau varian. Karena berapapun banyak data yang akan anda siapkan, bentuknya tetap hanya akan berfluktuasi terhadap suatu angka.

Selain melihat dari unsur data time series, anda juga perlu memperhatikan berapa lag atau periode yang harus anda ramalkan. Ini terkait dengan musiman dan trend tadi. Jika anda ingin meramalkan 3 bulan kedepan dengan data bulanan, maka minimal anda memiliki data satu tahun sebelumnya yang diharapkan data tersebut akan menggambarkan data musiman lengkap satu tahun. Namun, dengan data yang sama akan kurang meyakinkan jika anda melakukan forecasting selama satu tahun kedepan. Itu sama saja anda menggunakan metode naïve seperti contoh diatas.

Eksplorasi Kualitatif

Jadi, perhatikan data yang anda miliki sebelum melakukan analisis time series. Apakah sudah memenuhi unsur trend dan  musiman? Jika belum ada, anda bisa mengeksplorasi dengan pertanyaan kualitatif terhadap pemiliki data. Eksplorasi dilakukan untuk memastikan apakah memang tidak ada data musiman di data yang akan anda proses. Karena terkadang data yang dihasilkan hanya memiliki unsur trend saja.

Eksplorasi bisa dilakukan dengan pertanyaan singkat “kapan penjualan tertinggi terjadi dan kapan penjualan terendah dalam satu tahun?”

Jika sudah confirm bahwa unsur unsur tadi sudah dieksplorasi, maka data anda sudah layak untuk diolah. Bisa saja data yang layak diolah itu tidak sampai dengan 50 data, bisa juga lebih.

Demikian penjelasan minimal data time series. Semoga tidak ada pertanyaan berapa data minimal Time Series yang harus disiapkan. Saya katakan sekali lagi, satu data pun, anda sudah bisa melakukan analisis time series.

Terima Kasih telah berkunjung. Jangan lupa bagikan dengan yang lain.

Peneliti bidang sosial ekonomi pertanian. Pernah bekerja di bidang supply chain. Detil info silahkan kunjungi laman about me.

Leave a comment

Your email address will not be published. Required fields are marked *